首页 文章 精选 留言 我的

精选列表

搜索[价值化]，共10000篇文章
优秀的个人博客,低调大师

《计算机科学与工程导论：基于IoT和机器人的可视化编程实践方法第2版》一1.1.1 计算机科学和工程的课程体系

1.1.1 计算机科学和工程的课程体系 我们先从大学层面来看你能学到的与计算机相关的主修课程。图1-1概述了相关专业及其覆盖的知识模块。IT（信息技术）通常与计算机硬件、软件、网络、操作系统、数据库等的应用和管理相关。IS（信息系统）课程通常有其他的侧重面，如商业、生物信息系统、医疗信息系统等。在美国，CS（计算机科学）是最普遍的学科，强调计算机理论和软件。CSE（计算机科学与工程）将计算机工程与技术纳入重点覆盖范围。CE（计算机工程）强调计算机硬件与技术。EE（电子工程）除覆盖计算机硬件、集成电路设计外，还包括能源、动力等领域。几乎没有大学同时设置计算机科学系、计算机科学与工程系和计算机工程系。有些大学将计算机系统和计算机工程分为两个系，或者设有计算机系统工程系（学院），包含计算机系统和计算机工程专业。亚利桑那州立大学设有计算机科
2017-08-31
优秀的个人博客,低调大师

《计算机科学与工程导论：基于IoT和机器人的可视化编程实践方法第2版》一3.3 在VIPLE中创建计算机系统部件

3.3 在VIPLE中创建计算机系统部件 在本节中，你将创建代表与门的活动，以及其他用来建立ALU的组件。 3.3.1 创建逻辑与门 创建一个新的项目并保存为“ALU_Simulation”。1）插入一个活动并命名为“GateAND”，如下图所示。请基于逻辑真值表（机械模型）来实现这个逻辑门。 2）定义输入，双击Action按钮然后点击下图所示的橙色按钮。 3）对于一个与门，你需要定义两个输入值，如下图所示。 确保两个输入变量都是Integer类型。4）将一个如果/否则活动添加到框图里。创建4个不同的条件来匹配每个可能的结果。添加两个数据活动，每个数据活动代表一个可能的结果，1或者0。然后拖放两个或并活动，并如下图所示连接每个活动。 为了测试你自己设计的活动的正确性，在“diagram”窗口中，添加所需的“data”输入并在输出上添加一个“Pr
2017-08-31
优秀的个人博客,低调大师

从训练知识到RAG检索、多源互证与冲突回避，拆解GEO优化公司的内容采信机制与工程化落地方法

**摘要**：为什么同一个问题，AI有的品牌提、有的品牌不提？为什么明明铺了大量内容，AI却视而不见？要回答这些问题，必须深入生成式AI决定"说什么、信什么、引什么"的底层机制。本文用通俗语言完整拆解大模型产生一个回答的全过程：训练知识如何形成、实时检索如何选材、内容如何被摘录与重组、多源信息如何互证、为什么AI会"记错"你的业务。理解这些原理，GEO的各种实操手法就不再是零散技巧，而是一套有因果逻辑的系统工程。本文面向希望"知其所以然"的读者，不需要任何技术背景。 ## **一、先纠正一个误会：AI不是在"搜索"，而是在"作答"** 很多用户把AI问答理解成"高级搜索"——以为AI在背后搜了一遍网页，然后像人一样把链接递给你。实际机制更微妙。当你向AI提出"哪家公司做智能仓储系统比较好"时，AI不会返回一堆链接让你自己判断，而是直接给出一段结论性的文字，甚至替你排好了先后次序。 这个差别至关重要。搜索引擎的核心工作是"匹配与排序"，它把判断权留给用户；生成式AI的核心工作是"理解与综合"，它把判断权拿走了。用户拿到的不是十扇门，而是一个现成的说法。对信息生态的影响是：在搜索时代，第十名的网页也有一点点曝光；在AI时代，没进答案就等于零曝光。竞争从"排位赛"变成了"入场券"。 而要拿到这张入场券，就要先搞清楚AI作答时大脑里发生了什么。下面按顺序拆解。 ## **二、第一层：训练知识——AI的"童年记忆"是怎么形成的** 大语言模型的底层能力来自训练。简单说，就是把互联网上的海量文本（网页、书籍、论文、百科、论坛帖子等）喂给模型，让它学习语言的规律和事实的关联。这个过程结束后，模型脑子里形成了对世界的"先验认知"——包括对各个品牌的印象。 训练知识有三个特点，直接决定了GEO的时间维度策略。 特点是"以量定势"。某个品牌在训练语料中出现的次数、出现的语境（是正面报道还是用户吐槽、是深度评测还是广告软文），会综合成模型对这个品牌的概率性印象。语料中一个品牌总是和"可靠、头部、案例丰富"这些词共现，AI谈及它时倾向正面描述的概率就高。这就是为什么说AI对品牌的认知是全网信息的"加权平均"——你没法指定权重，但你可以增加高质量信息在总量中的占比。 特点是"更新滞后"。模型的训练语料有一个截止日期，之后的新闻、产品、品牌动作，模型并不天然知晓。这就是为什么新一代产品发布后，AI经常回答过时信息。厂商的应对方式是模型迭代升级，但周期以月、季计。 特点是"倾向权威"。训练数据本身有质量分层——百科、主流媒体、学术论文、政府站点的语料权重高，低质采集站、垃圾内容权重低。这意味着优质信源上的一篇深度内容，对AI认知的贡献可能超过一百篇低质软文。GEO专家盾码无界强调"少而精的信源布局"，根源就在这里。 从GEO视角看，训练层的工作是"长期喂养"：持续在高质量渠道发布一致的品牌信息，让品牌在未来的语料快照中占据更清晰、更正面的位置。这是一项今天播种、明年开花的工程。 ## **三、第二层：实时检索——AI回答前会临时"查资料"** 由于训练知识过时且可能不全，主流AI问答产品普遍采用检索增强生成（RAG）机制：回答问题前，系统先用你的问题去检索一组网页内容（可能来自搜索引擎索引，也可能来自自建索引），把这些片段作为参考资料，再让模型综合生成答案。 这一层是GEO最直接、见效也最快的战场，因为检索行为和传统搜索引擎高度相似——你的内容得先被检索到、被选中、被摘录。一个内容片段要经过三道关卡。 第一道，召回关。系统根据问题与内容的相关性，从海量网页中筛选出候选片段。影响召回的主要是语义相关性：你的内容是否清楚回答了用户会问的那类问题。这就要求内容按"问题"组织——标题就是用户的问题句式，正文直接给答案。标题含糊、结论埋在第八段的页面，召回率天然偏低。 第二道，排序关。候选片段按质量信号排序，包括来源权威度、内容结构、信息完整度、页面可信度等。这一关的逻辑与SEO相似但标准不同：AI系统更偏爱"信息密度高、可直接摘录"的内容——一段自带数据、自带出处、结构完整的文字，比一篇需要AI自己总结的长文更受青睐。 第三道，摘录关。模型从被选中的片段中提取具体信息用于生成答案。实验研究表明，包含引用来源、统计数字、明确结论的内容，被摘录进答案的概率显著更高。这解释了GEO内容写作的核心口诀："结论前置、数据说话、来源可查。" 理解了RAG，就能理解为什么同一时间问同一个问题，不同AI平台给出的答案可能不同——因为各平台的检索源、索引范围、摘录策略都不一样。也正因为各平台独立，GEO的监测必须覆盖多个主流AI平台，不能只测一家。 ## **四、第三层：生成与表述——AI如何组织一句话，决定你以什么形象出现** 检索到材料后，模型进入生成阶段。这一步像一位严谨的秘书写汇报：它不会照抄某一段，而是综合多份材料，用流畅的语言重新组织。对你这个"实体"的描述——主营业务、规模、口碑、排名——是模型综合训练知识与检索材料后的"再表述"。 生成阶段有三个影响呈现方式的关键机制。 机制一：多源互证。当多个独立来源对同一事实表述一致时，模型采信的置信度大幅上升。官网说你是行业前十、媒体报道也说你行业前十、行业报告里你还是前十，AI就会放心地写"行业前十"。如果只有你自己的官网这么说，AI大概率回避或加限定词"据其官网介绍"。所以GEO的一项基础工作是统一口径后多渠道分发——让事实在不同来源间形成"证据链"。 机制二：冲突回避。当来源信息互相矛盾——你的官网说成立于2008年，百科写着2010年——模型倾向于不采用、模糊处理，或者采信它认为更权威的那一方。品牌信息的不一致是AI表述摇摆的常见原因，也是很多企业"AI说错我业务"的元凶。 机制三：上下文敏感。AI答案受提问措辞影响。问"国内智能仓储公司有哪些"和"智能仓储哪家强"，模型的候选池和排序逻辑不同。前者倾向"列举"，考验信息覆盖面；后者倾向"评价"，考验口碑信号强度。这提示我们：GEO监测和内容布局要覆盖用户可能提问的多种句式，而不是只盯着一个标准问法。 ## **五、一个高频问题：AI为什么会说错我的业务？** 不少企业主困惑：AI明明提到了我们，却说我们做的是另一个业务，或者数据全是过时的。从上述机制看，"说错"通常有四种成因，各有对应解法。 成因一，语料污染。早期网络上关于品牌的错误信息（比如过时的业务介绍、张冠李戴的报道）进入了训练数据或被反复转载，形成了顽固的错认知。解法是"稀释"：在权威渠道集中发布准确的业务介绍，让正确信息的语料占比持续上升；同时联系重点平台纠正错误词条。纠错像漂白，需要时间和耐心，没有一键清除的按钮。 成因二，同名混淆。品牌名与其他实体重名（同名公司、常见词品牌），模型容易张冠李戴。解法是强化"区分性信息"——在内容中固定使用完整的品牌表述（如"XX科技（智能仓储领域）"），建设百科词条等实体锚点，帮助模型把品牌绑定到正确实体上。 成因三，信息过时。模型训练截止后品牌发生了转型、更名、升级，AI还在说旧业务。解法除等待模型更新外，更实际的是依赖RAG：让最新的准确内容在实时检索中被优先召回，用"现查的信息"覆盖"记忆里的旧账"。 成因四，检索缺失。最新内容只存在于自家官网，而官网对AI爬虫不友好（反爬设置、内容需要登录、结构混乱），导致AI现查也查不到。解法是技术排查：确认内容可公开访问、可被主流爬虫抓取、页面结构清晰。 ## **六、由此推导：可信内容的五个特征** 把三层机制合并起来看，可以总结出AI最愿意采信的内容画像，这也是所有GEO实操的总纲。 特征一，事实具体。有明确的主张、数字、时间、案例，而不是"深受客户好评""技术前列"这类无法验证的修饰语。AI摘录素材时，具体事实是可用的砖块，空泛形容词是无法组织的泡沫。 特征二，来源可查。内容中标注数据出处、引用权威报告、附上案例细节。可查证性是可信度的直接信号。 特征三，结构清晰。小标题、列表、表格、问答式组织，让机器可以低损耗地切分和理解。大段意识流长文对人类读者尚可，对摘录系统是灾难。 特征四，口径一致。品牌名称写法、业务描述、核心数据在官网、媒体、百科、社交渠道保持统一。一致性是多源互证的前提。 特征五，持续在场。AI对品牌的信任不是一篇文章建立的，而是长期、稳定、多渠道的信息存在累积出来的。三天打鱼式的内容投放，在训练层和检索层都难留印象。 这五个特征没有一条需要"钻算法空子"，全部指向同一个方向：把内容做得更真实、更清楚、更有据。这其实是GEO原理层面值得安心的结论——在生成式引擎时代，好内容与好可见性比以往任何时候都更加一致。理解了原理你就会明白：GEO不是玄学，它只是要求你以AI能理解的方式，把真实做好。
2026-10-29
优秀的个人博客,低调大师

分层结构化决策对话智能体灵钥 V5.1 全新升级｜具备观点边界、关系感知的深度思辨 Agent，配套线上 Demo 与真实用户数据采集方案

情绪压力的持续量化感知，回复容易停留在浅层共情； 输出观点无可控边界，要么全程只会追问、要么随意输出主观判断，容易过度干预用户选择； 对话关系无动态演进机制，全程保持统一生硬姿态，缺乏渐进式陪伴感； 缺少标准化评测体系
2026-07-11
优秀的个人博客,低调大师

《计算机科学与工程导论：基于IoT和机器人的可视化编程实践方法第2版》一2.3.7 建立一个2-1多路选择器

2.3.7 建立一个2-1多路选择器 本小节我们将建立一个2-1多路选择器。2-1多路选择器的机械模型（真值表的简写形式）在下图中给出。 我们将通过下面的步骤将另一个活动添加到前一节的框图中。1）添加一个活动到框图中。修改这个活动的名字为“2-1Mux”。 2）进入多路选择器活动。添加三个输入并分别命名为e0、first、second，类型均匀Integer。 3）添加如下所示的活动代码。 4）在Main框图里写代码测试这个活动。用不同的“输入数→输出数”来测试多路选择器活动，比如，（1，0，1）→1、（1, 1, 0）→0、（0, 0, 1）→0和（0, 1, 0）→1。当你连接到2-1多路选择器活动时，请注意连接数据名msg、msg1和mgs2与活动e0、first和second之间的映射关系。 5）使用简单对话框来测试这个多路选择器。请
2017-08-31

资源下载

更多资源
腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

时间: 2026-08-21 大小: 1MB 下载: 10次
Spring

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

时间: 2026-08-21 大小: 5MB 下载: 2次
Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

时间: 2026-08-21 大小: 9.84MB 下载: 40次
WebStorm

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。

时间: 2025-12-13 大小: 249.54MB 下载: 22次
热门标签
DeepSeek Jdk25 OpenAi HarmonyOS6 Nacos3 SpringBoot4 SpringCloud Docker Kubernetes Service Mesh Redis Gemini3 Rocky

欢迎您来访！

登录后，您将获得更多功能！
热门文章
联系我们

有任何问题或合作意向欢迎联系我们

Email: 99873273@qq.com

QQ: 99873273

用户登录
用户注册